朱 峰
(上海城市管理職業(yè)技術(shù)學(xué)院,上海 200433)
?
基于數(shù)據(jù)流和精確定位的多線程行人探測(cè)系統(tǒng)
朱峰
(上海城市管理職業(yè)技術(shù)學(xué)院,上海 200433)
摘要:行人防撞警告系統(tǒng)(Pedestrian Collision Warning System,PCWS)是車載主動(dòng)安全系統(tǒng)的一項(xiàng)主要功能。目前通常的行人檢測(cè)算法在商用化過程中的主要制約是龐大的計(jì)算量導(dǎo)致的低處理幀率。研究了PCWS中的關(guān)鍵技術(shù),綜合運(yùn)用了基于VP評(píng)估的空間限制滑動(dòng)窗口分布、基于數(shù)據(jù)流的多線程處理流程、基于CENTRIST特征的快速線性SVM分類器、基于直方圖交叉核SVM(HIKSVM)的非線性分類器等多種加速技術(shù),達(dá)到了實(shí)時(shí)處理的要求。對(duì)于CENTRIST特征不能精確描述對(duì)象輪廓所造成的定位不準(zhǔn)問題,通過基于高斯權(quán)重分布的極大化抑制以及基于外輪廓邊緣差異微調(diào)包圍框尺寸來精確重定位探測(cè)框,以滿足商用化對(duì)測(cè)距準(zhǔn)確性的要求。
關(guān)鍵詞:行人檢測(cè);多線程并行處理;消失點(diǎn)評(píng)估;直方圖交叉核SVM;CENTRIST;重定位
汽車主動(dòng)安全技術(shù)是指為預(yù)防汽車發(fā)生事故,避免人員受到傷害而采取的安全設(shè)計(jì)。典型的系統(tǒng)包括前車防撞系統(tǒng)(FCWS)、車道偏離警告系統(tǒng)(LDWS)、盲點(diǎn)探測(cè)系統(tǒng)(BLIS)、行人防撞系統(tǒng)(PCWS)等。在現(xiàn)有的商用系統(tǒng)中,PCWS是計(jì)算量最大且探測(cè)難度最大的系統(tǒng)。當(dāng)前產(chǎn)品級(jí)PCWS主要還是依賴于激光雷達(dá)及毫米波雷達(dá)探測(cè)、視覺識(shí)別僅起到輔助判定的作用。
行人探測(cè)算法近十年來,主要集中于開發(fā)更魯棒的行人特征描述子以及更高效的分類器。目前常用的特征描述子有haar特征[1]、邊緣模板特征[2]、梯度直方圖特征(HOG)[3]、邊緣子特征(Edgelet)[4]、SIFT特征[5]等。主要的分類器有兩類:一類是基于boosting的算法,包括adaboost[5],real boost[5],gentle boost[5]及其級(jí)聯(lián)形式[6];另一類是基于SVM的算法,包括線性及非線性的SVM。非線性的SVM通常采用徑向基核(RBF kernel)來處理。對(duì)人體的建模方式主要分為基于人體部件(part based)建模、基于包圍框建模以及以上兩種模式的組合建模。
在實(shí)際應(yīng)用中,為了獲取更高的檢測(cè)率,很多算法會(huì)采用多種特征描述子的組合應(yīng)用或某種規(guī)則下的特征增強(qiáng)。如楊等人[7]基于SIFT特征的稀疏編碼構(gòu)建代碼字典(CodeBook),利用代碼字典及最大池技術(shù)生成直方圖特征。這種方式增強(qiáng)了SIFT特征的表達(dá)能力,即使利用簡單的線性SVM進(jìn)行訓(xùn)練也能達(dá)到基本的SIFT特征加非線性SVM的檢出率。王等人[8]使用了HOG和LBP的聯(lián)立特征,并且使用線性SVM同時(shí)訓(xùn)練了全局和局部2種探測(cè)器,以應(yīng)對(duì)一般和遮擋的情況。Dollár等人[9]利用直方圖技術(shù),快速構(gòu)建了基于haar小波濾波的6方向梯度直方圖、灰度及LUV顏色通道的局部和這些簡單特征組成的龐大的特征池,使用adaboost算法選擇弱特征,組成強(qiáng)分類器。Nam等人[10]以HOG特征為基礎(chǔ),將HOG特征的三種組合(線性、三角、金字塔)作為特征描述子,稱為Mid-Level特征,并使用boost算法從特征池中篩選Mid-Level特征。其中金字塔型HOG特征由于內(nèi)含了尺度的意義,具備一定的尺度不變性,在所選取的特征中占主導(dǎo)地位。
為了獲取更高的檢測(cè)率,多種訓(xùn)練器以及多種建模方式的組合應(yīng)用也是近年來研究的熱點(diǎn)之一。Shashua等人[11]根據(jù)環(huán)境光照、人體姿態(tài)等因素將訓(xùn)練集分為9大類,每類分為13個(gè)部分,一共定義了117個(gè)涵蓋人體不同部分的弱分類器。采用SIFT特征以及嶺回歸算法進(jìn)行訓(xùn)練。最后使用Adaboost算法根據(jù)不同場(chǎng)景從這117個(gè)弱分類器中選擇合適的分類器組成強(qiáng)分類器。吳等人[12]采用了典型的2階段分類方案,首先使用基于積分圖加速的線性SVM對(duì)滑動(dòng)窗口進(jìn)行初篩選,再使用非線性SVM對(duì)篩選后的對(duì)象進(jìn)行驗(yàn)證。
行人識(shí)別算法商用化的瓶頸之一在于其龐大的計(jì)算量,這意味著需要大功耗的處理芯片。而大多數(shù)移動(dòng)設(shè)備都有低功耗的要求,如手機(jī)平臺(tái)、車載平臺(tái)。在不增加功耗的前提下加快處理幀率主要有基于算法加速和基于硬件加速兩類方法。基于算法的加速包括通過評(píng)估三維空間的約束減少滑動(dòng)窗口的數(shù)量[13];通過離散級(jí)聯(lián)[6]或軟級(jí)聯(lián)[14]的方式加速adaboost的預(yù)測(cè)流程;通過基于直方圖交叉核(histogram intersection kernel, HIK)構(gòu)建高維投影函數(shù),使用多項(xiàng)式分段擬合HIK分類結(jié)果加速非線性SVM的預(yù)測(cè)流程[15]?;谟布募铀侔ㄏ到y(tǒng)層級(jí)的探測(cè)、跟蹤、綜合分析多模塊的多線程并行處理;基于GPU的對(duì)圖像金字塔運(yùn)算、積分圖運(yùn)算、滑動(dòng)窗口特征提取、分類器代價(jià)函數(shù)運(yùn)算等過程進(jìn)行并行計(jì)算。
本文在系統(tǒng)架構(gòu)上將每個(gè)探測(cè)對(duì)象作為一個(gè)基礎(chǔ)數(shù)據(jù)單元,采用基于數(shù)據(jù)流的多線程處理方式。模式識(shí)別采用二級(jí)分類方案:第一級(jí)分類器使用基于CENTRIST特征的快速線性SVM分類器,第二級(jí)使用HIKSVM[15]快速非線性SVM分類器再驗(yàn)證。通過多幀探測(cè)路面直線段評(píng)估消失點(diǎn),并基于消失點(diǎn)對(duì)圖像金字塔的每一層滑動(dòng)窗口分布做空間約束,使得滑動(dòng)窗口數(shù)量相對(duì)于全區(qū)域分布減少60%。綜合使用以上加速措施使系統(tǒng)在Intel i5處理器上的處理幀率達(dá)到20 f/s(幀/秒),滿足了商用化的實(shí)時(shí)性要求。由于CENTRIST特征不能精確描述對(duì)象輪廓,在提高分類器泛化能力的同時(shí)也造成了定位不準(zhǔn)問題,本文通過基于高斯權(quán)重分布的極大化抑制以及基于外輪廓邊緣差異微調(diào)包圍框尺寸來精確重定位探測(cè)框,以滿足商用化對(duì)測(cè)距準(zhǔn)確性的要求。
1基于數(shù)據(jù)流動(dòng)多線程并行處理
1.1多線程方案概述
本文采用多線程并行處理的方式滿足實(shí)時(shí)性要求。以數(shù)據(jù)流為核心,驅(qū)動(dòng)各模塊線程并行工作。基本概念如圖1所示。系統(tǒng)存在3個(gè)數(shù)據(jù)源:幀數(shù)據(jù)源、預(yù)處理數(shù)據(jù)源、及識(shí)別對(duì)象數(shù)據(jù)源。共分為6個(gè)核心線程:輸入線程、預(yù)處理線程、模式分類線程、跟蹤線程、綜合分析線程及輸出描畫線程。這6個(gè)線程以數(shù)據(jù)源為驅(qū)動(dòng),并行執(zhí)行,互不干擾。每個(gè)線程有3種操作:數(shù)據(jù)源查詢、邏輯處理及數(shù)據(jù)源更新。圖1中虛線表示各線程的數(shù)據(jù)源查詢操作,實(shí)線為數(shù)據(jù)源更新操作。預(yù)處理線程按固定頻率查詢幀數(shù)據(jù)源,一旦發(fā)現(xiàn)幀數(shù)據(jù)更新,則進(jìn)行預(yù)處理操作,結(jié)果寫入預(yù)處理數(shù)據(jù)源。模式分類線程按固定頻率查詢預(yù)處理數(shù)據(jù)源,一旦發(fā)現(xiàn)預(yù)處理數(shù)據(jù)更新,則進(jìn)行模式分類操作,將新探測(cè)的對(duì)象寫入對(duì)象數(shù)據(jù)源。跟蹤線程查詢幀數(shù)據(jù)源,一旦發(fā)現(xiàn)幀數(shù)據(jù)更新,則從對(duì)象數(shù)據(jù)源中獲取對(duì)象列表,進(jìn)行批量跟蹤操作,結(jié)果寫入對(duì)象數(shù)據(jù)源。綜合分析線程查詢幀數(shù)據(jù)源,一旦發(fā)現(xiàn)幀數(shù)據(jù)更新,則從對(duì)象數(shù)據(jù)源中獲取對(duì)象列表,綜合分析每個(gè)對(duì)象多幀處理的模式分類數(shù)據(jù)及跟蹤數(shù)據(jù),判定對(duì)象的有效性并重新修正對(duì)象位置信息。輸出線程查詢幀數(shù)據(jù)源,一旦發(fā)現(xiàn)幀數(shù)據(jù)更新,則從對(duì)象數(shù)據(jù)源中獲取對(duì)象列表,選擇有效對(duì)象進(jìn)行描畫操作。
圖1 基于數(shù)據(jù)流的多線程方案
1.2多線程時(shí)序分析及綜合處理邏輯
各線程CPU占有率排列如下:預(yù)處理線程,包含9層金字塔水平濾波、垂直濾波、CT圖像計(jì)算、積分圖計(jì)算(≈50%)>識(shí)別線程,包含一級(jí)線性SVM分類器,二級(jí)非線性SVM分類器及候選對(duì)象特征提取(≈30%)>跟蹤線程(≈10%)>綜合線程(≈5%)>輸入線程(≈3%)>輸出線程(≈2%)。預(yù)處理線程和識(shí)別線程是正系統(tǒng)的瓶頸。圖2說明了6個(gè)線程的時(shí)序關(guān)系。
圖2 多線程運(yùn)行時(shí)序
I1幀輸入預(yù)處理線程,至I3幀結(jié)束。預(yù)處理結(jié)果傳入識(shí)別線程,至I5幀結(jié)束。識(shí)別結(jié)果傳入跟蹤線程及綜合線程,至此整個(gè)系統(tǒng)不斷循環(huán)。綜合線程在I6,I7幀僅綜合了跟蹤線程的結(jié)果(圖2中用白箭頭表示),在I5,I8幀綜合了跟蹤線程及識(shí)別線程的結(jié)果(圖2中用黑箭頭表示)。由于跟蹤線程和識(shí)別線程的異步性,I5,I8幀的識(shí)別線程分別綜合了I1,I4幀的跟蹤結(jié)果(圖2中虛線箭頭表示)。
(1)
系統(tǒng)維持2個(gè)對(duì)象列表:DetList和TrackList。前者由識(shí)別線程更新,后者由跟蹤線程及綜合線程更新。則綜合分析決策樹如圖3所示。
圖3 綜合分析決策樹
DetList中沒有被TrackList匹配的對(duì)象作為新對(duì)象加入TrackList,對(duì)象狀態(tài)設(shè)為S_V,并執(zhí)行fRTP(Oi)初始化跟蹤參數(shù)。
2基于3D空間約束的滑動(dòng)窗口分布
2.1快速消失點(diǎn)評(píng)估
選定路面距離車前10~50 m之間的一段距離作為消失點(diǎn)評(píng)估的ROI區(qū)域。消失點(diǎn)的評(píng)估分為探測(cè)和跟蹤兩部分。
消失點(diǎn)探測(cè)算法流程。為了減輕路面反光/光照不足造成的影響,首先對(duì)ROI做預(yù)處理:直方圖均衡化、高斯平滑、及使用雙邊濾波(bilateral filter)保留主要邊緣。然后進(jìn)行Canny濾波,對(duì)邊緣點(diǎn)使用八鄰域算法聚類。對(duì)于每個(gè)聚類x={(x1,y1),…,(xk,yk)},計(jì)算協(xié)方差矩陣,然后求特征值及特征向量,選取最大的特征值所對(duì)應(yīng)的特征向量em(em,1,em,2)。則該聚類所對(duì)應(yīng)的直線段為Li(θi,ρi),其中
(2)
根據(jù)(θi,ρi)求Li的兩個(gè)端點(diǎn),最后根據(jù)RANSAC算法評(píng)估消失點(diǎn)。
(3)
其中:wk-1為過程噪聲,是采用固定值的正太分布噪聲。
(4)
(5)
(6)
(7)
(8)
Pi=(I2-KiHi)Pi
(9)
圖4顯示了實(shí)測(cè)環(huán)境下的消失點(diǎn)評(píng)估結(jié)果。細(xì)線段為Li,圓圈為評(píng)估的消失點(diǎn)。從評(píng)估結(jié)果可以看出,雖然每幀Li的準(zhǔn)確性并不高,有很多是錯(cuò)誤的方向,但通過多幀跟蹤綜合后的消失點(diǎn)準(zhǔn)確性很高。
圖4 消失點(diǎn)評(píng)估結(jié)果
2.2金字塔層滑動(dòng)窗口分布
在世界坐標(biāo)系中等分探測(cè)距離,然后將等分線投影至原始圖像的像素坐標(biāo)系。在原始圖像中根據(jù)等分線劃分不同層的探測(cè)ROI,并將該ROI投影至各個(gè)金字塔層圖像。通過這種方式實(shí)現(xiàn)在不影響探測(cè)率的前提下大量減少滑動(dòng)窗口數(shù)量。相對(duì)于各層全區(qū)域分配滑動(dòng)窗口,該方法減少60%的滑動(dòng)窗口。金字塔各層ROI投影算法如下:
1)首先在車輛前10m至50m距離內(nèi)設(shè)置行人探測(cè)區(qū)域,根據(jù)金字塔層數(shù)設(shè)置等分線Rxy={y1,…,yk},如圖5a所示。
2)通過相機(jī)外參,即相機(jī)高度H、俯仰角θ從世界坐標(biāo)系O(x,y,0)投影至圖像平面坐標(biāo)O(u,v),Ruv={v1,…,vk}
(10)
俯仰角θ利用評(píng)估的消失點(diǎn)在像素坐標(biāo)系的j軸坐標(biāo)VPj獲取
(11)
3)通過相機(jī)內(nèi)參,即相機(jī)焦距fi、fj,光心坐標(biāo)ci、cj從圖像平面坐標(biāo)O(u,v)投影至像素平面坐標(biāo)O(i,j),Rij={j1,…,jk},如圖5b所示
(12)
4)根據(jù)Rij求各金字塔層在原圖上的投影區(qū)間Yl,如圖5b中矩形陰影區(qū)間所示
Yl=[jl-d,jl+d],
(13)
圖5 金字塔層ROI評(píng)估
3二階段加速分類算法
3.1CENTRIST特征提取
吳等人[17]認(rèn)為對(duì)象的邊緣輪廓信息是準(zhǔn)確編碼的關(guān)鍵,其強(qiáng)化了該信息用于行人識(shí)別,即CENTRIST特征。CENTRIST特征是局部編碼特征。首先使用soble濾波平滑圖像,強(qiáng)化邊緣信息,去除紋理中的噪聲。然后在濾波圖像上進(jìn)行Census變換,獲取CT圖像,該編碼過程類似于LBP8,1[18]。最后構(gòu)建CENTRIST描述器,構(gòu)建過程類似于HOG[3]。如對(duì)于108×36的訓(xùn)練圖像,生成9×4個(gè)單元(cell),以2×2鄰接單元構(gòu)成8×3個(gè)塊(block),由于每個(gè)塊中的CT特征維數(shù)為256維,因此,總維數(shù)為24×256=6 144維。CENTRIST特征不需要規(guī)范化操作,這在很大程度上節(jié)約了計(jì)算時(shí)間。但是該特征也存在如下局限性:不具備旋轉(zhuǎn)不變性及縮放不變性,不能精確表達(dá)形狀。在實(shí)際使用中,不具備旋轉(zhuǎn)不變性對(duì)于行人識(shí)別沒有影響,不具備縮放不變行決定了識(shí)別架構(gòu)只能基于圖像金字塔模式,不能精確表達(dá)形狀意味著分類后的最大化抑制及對(duì)象精確定位需要使用其他方法做進(jìn)一步處理。
3.2與CENTRIST特征結(jié)合的快速線性SVM粗篩選
由于CENTRIST特征不需要規(guī)范化特征向量,因此可以將圖像提取過程中各個(gè)圖像分塊特征與線性SVM完美地銜接在一起,計(jì)算的量階可以簡化為一個(gè)塊的大小,極大地提高了計(jì)算的實(shí)時(shí)性[12]。其加速原理如下:設(shè)w∈R6 144為線性分類器訓(xùn)練模型、CT(i,j)為(i,j)位置的Census值、f為特征描述子,特征描述子中塊(block)、單元(cell)的尺寸分別為Bu,Bv,Cu,Cv,(u0,v0)為滑動(dòng)窗口左上角起始點(diǎn),則線性SVM的代價(jià)函數(shù)為
(14)
調(diào)換累加項(xiàng)順序轉(zhuǎn)換為
(15)
設(shè)A(x,y)為與原圖像大小相等的輔助圖像,且
(16)
將式(16)帶入式(15),則
(17)
若輔助圖像A(x,y)預(yù)先算出,則分類時(shí)式(17)已經(jīng)將量階可以簡化為一個(gè)塊的大小。而A(x,y)的計(jì)算可以通過積分圖的方式加速進(jìn)行。
3.3基于HIKSVM的驗(yàn)證
通常的基于RBF核的SVM由于計(jì)算量龐大,是系統(tǒng)商用化的瓶頸之一。Maji等人[15]基于直方圖交叉核SVM進(jìn)行加速。設(shè)非線性SVM訓(xùn)練完成后有m個(gè)支持矢量{xl},l∈[1,m],每個(gè)支持矢量的權(quán)重和標(biāo)號(hào)為{yl}、{al}。則代價(jià)函數(shù)為
(18)
(19)
交換累加和位置,則計(jì)算由支持向量長度為單位變?yōu)橐蕴卣骶S度長度為單位
(20)
(21)
算法的核心就是將hi(s)的計(jì)算復(fù)雜度降低。將第i維的m個(gè)支持矢量的所有數(shù)據(jù){xl,i}從小至大排序,并將hi(s)函數(shù)分成b段,每段用k階多項(xiàng)式擬合。這樣整個(gè)算量由O(mn)降為O(2(k+1)m)。比基于RBF核的非線性SVM快了約6~7倍。另外,非線性SVM訓(xùn)練時(shí),支持矢量的數(shù)量n通常會(huì)隨著訓(xùn)練樣本的增多而增多,也就是訓(xùn)練數(shù)據(jù)越龐大計(jì)算量就越大。而采用分段擬合后,計(jì)算量與支持矢量數(shù)量無關(guān),不存在以上的問題。
4重定位識(shí)別對(duì)象位置
如3.1所述,CENTRIST特征不能精確度表達(dá)形狀。優(yōu)點(diǎn)是可以在一定程度上提高分類器的泛化能力,但是也帶來了對(duì)識(shí)別對(duì)象定位位置不精確的局限性。定位不準(zhǔn)會(huì)影響到測(cè)距精度。本文通過2種附加處理提高定位精度:基于高斯分布權(quán)重的極大化抑制、檢查識(shí)別對(duì)象外輪廓附近的像素差異,對(duì)包圍框尺寸進(jìn)行微調(diào)。
4.1基于高斯權(quán)重分布的極大化抑制
設(shè)識(shí)別對(duì)象的表達(dá)方式為χ={xi},i∈[1,m]為本幀探測(cè)到的對(duì)象。每個(gè)對(duì)象xi由滑動(dòng)窗口尺寸(sxi,syi,swi,shi)及代價(jià)函數(shù)計(jì)算值si表示。首先將所有的對(duì)象的滑動(dòng)窗口從每金字塔層的ROI轉(zhuǎn)換至原始圖像窗口,然后以高斯函數(shù)為權(quán)重基礎(chǔ),構(gòu)建權(quán)重圖Gw
(22)
(23)
(24)
4.2基于外輪廓邊緣差異微調(diào)包圍框尺寸
重定位原理是以對(duì)象外輪廓為基礎(chǔ),利用輪廓內(nèi)外的局部灰度差異進(jìn)行輪廓邊界的調(diào)整。由于行人輪廓較復(fù)雜且不規(guī)整,在著裝與周圍環(huán)境灰度差較大時(shí)能獲取比較好的調(diào)整效果。當(dāng)多人靠近時(shí),由于著裝的相似性,輪廓內(nèi)外的局部灰度差在某些時(shí)候并不明顯,經(jīng)常會(huì)導(dǎo)致調(diào)整失敗。目前還沒有特別有效的算法能處理以上情況。本文的算法既能滿足在行人著裝與外部環(huán)境灰度差較大時(shí)的調(diào)整效果,且在灰度差不明顯時(shí),即使無法調(diào)整也能避免出現(xiàn)誤調(diào)。設(shè)滑動(dòng)窗口為(sx,sy,sw,sh),調(diào)整是左邊界、右邊界及下邊界采用相同的算法獨(dú)立調(diào)整。以調(diào)整左邊界為例闡述算法流程:
1)設(shè)置左邊界的調(diào)整ROI
(25)
2)將ROI分成尺寸為dw×dh/6的6個(gè)塊b(k)。每個(gè)塊中包含dw/2×dh/12個(gè)2×2單元c(i,j,k),即第k塊i行j列的單元。
3)假設(shè)對(duì)于左邊界,設(shè)定邊界左側(cè)為正側(cè),右側(cè)為負(fù)側(cè),則對(duì)于每個(gè)單元c(i,j,k),分別求正負(fù)側(cè)對(duì)應(yīng)值:Cpos(i,j,k),Cneg(i,j,k),其中bpos(k)為b(k)在正側(cè)第一列的均值,bneg(k)為b(k)在負(fù)側(cè)最后一列的均值
(26)
4)所有的b(k)具有相應(yīng)的列數(shù),設(shè)第l列為分類邊界,則該邊界的代價(jià)函數(shù)為
(27)
選擇max{f(l)}所在的l為微調(diào)后的邊界,轉(zhuǎn)換至原始圖像坐標(biāo)為l′=dx+2l。
5實(shí)驗(yàn)結(jié)果與分析
系統(tǒng)實(shí)時(shí)性分析。系統(tǒng)在Intel(R) Core(TM) i5-2 410 M 2.3 GHz CPU上測(cè)試,平均處理速率15 f/s(幀/秒),滿足商用的實(shí)時(shí)性要求。系統(tǒng)與其他經(jīng)典算法在同一平臺(tái)下的運(yùn)行速度對(duì)如表1所示。系統(tǒng)采用的核心分類算法與C4[12]算法接近,由于采用了基于數(shù)據(jù)流動(dòng)多線程并行執(zhí)行方式,總體的執(zhí)行速度比C4快了約40%。圖6分析了各主要線程的并行運(yùn)行時(shí)間。系統(tǒng)執(zhí)行時(shí)間由各線程的最大運(yùn)行時(shí)間(預(yù)處理模塊40 ms)和緩存交互延遲時(shí)間(10 ms)構(gòu)成。由于采用基于數(shù)據(jù)流的并行處理方式,所有數(shù)據(jù)最少需要增加1倍緩存,因此緩存交互延遲時(shí)間較長。
表1算法運(yùn)行速度份對(duì)比
算法執(zhí)行速度/(f·s-1)LatSVM-V10.3HOG+SVM(RBF)0.8HIKSVM5C410OURS15
圖6 并行處理時(shí)間分析
系統(tǒng)識(shí)別性能分析。 初始訓(xùn)練數(shù)據(jù)來自于INRIA數(shù)據(jù)庫[3],后繼多輪驗(yàn)證樣本以及多輪訓(xùn)練添加的假正樣本、漏失別樣本來自于ETH數(shù)據(jù)庫[19]和自行路測(cè)數(shù)據(jù)。路測(cè)數(shù)據(jù)基于行車記錄儀或手機(jī)搭載于車載支架上采集。系統(tǒng)的識(shí)別性能如圖7所示,采用MR(missrate)/FPPI(falsepositiveperimage)表示。從圖中可以看出,系統(tǒng)在INRIA,ETH這兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫中的識(shí)別性能良好,在INRIA數(shù)據(jù)庫上(FPPI=10-1,MR=38%),綜合性能優(yōu)于原始的HIKSVM分類器(FPPI=10-1,MR=43%) 及LatSVM-V1分類器(FPPI=10-1,MR=44%)[12]。實(shí)際路測(cè)識(shí)別性能要比標(biāo)準(zhǔn)數(shù)據(jù)庫有較大差距 (FPPI=10-1,MR=54%)。主要因素有兩個(gè):首先在車載環(huán)境下,道路兩旁路易存在一些類似于人體主要輪廓特征的對(duì)象,如樹木、標(biāo)識(shí)牌、路牌、垃圾桶、商店櫥窗、路邊車輛的一部分等。其次,車載環(huán)境下探測(cè)到的行人主要存在于市區(qū)枝干道路上以及主干道路的行人過馬路場(chǎng)景。而對(duì)于過馬路的行人,一般其離車輛很近,存在部分遮擋且大多處于快速運(yùn)動(dòng)狀態(tài),橫向步幅跨度較大,這種案例的行人識(shí)別很困難,漏識(shí)別較多。
圖7 行人探測(cè)在INRIA數(shù)據(jù)庫、ETH數(shù)據(jù)庫及自行拍攝路測(cè)數(shù)據(jù)的結(jié)果
圖8列舉了一些典型的識(shí)別結(jié)果。所有識(shí)別結(jié)果都根據(jù)3.2節(jié)的算法對(duì)外輪廓進(jìn)行了重定位,所以包圍框?qū)捀弑炔灰恢?,更加貼近人體輪廓。圖8a、8b是典型的城市交通路況,對(duì)于行人推著車,或者同時(shí)背著包拎著包的情況未能識(shí)別。圖8c中過近的行人無法識(shí)別。圖8d和8e是ETH數(shù)據(jù)庫中的場(chǎng)景,其中圖8d中的廣告牌被誤識(shí)別。圖8f是典型的將車輛的一部分誤識(shí)別為行人的場(chǎng)景。這種誤識(shí)別在路測(cè)中很常見,而且主要集中在反光面很強(qiáng)的黑色SUV輪胎附近,即使加入類似的負(fù)樣本也無法消除該類型誤識(shí)別。因?yàn)樽R(shí)別出的包圍框中的圖像隱約具備行人的主要特征,輪胎部分恰好模擬了兩腿分開的情況,而垂直的車輛尾部側(cè)輪廓模擬了行人的側(cè)輪廓特征。在某種視角和光照條件下就形成誤識(shí)別。類似的情形也發(fā)生在路面綠化帶上。樹木的造型類似于人體的腰部特征且造型多變。在某種視角和形狀下容易造成誤識(shí)別。這種類型的誤識(shí)別無法加入負(fù)樣本改良訓(xùn)練結(jié)果,加入只會(huì)導(dǎo)致訓(xùn)練器的泛化能力減弱。
圖8 行人探測(cè)部分結(jié)果(圖中所有結(jié)果都經(jīng)過3.2節(jié)重定位算法的修正,所以包圍框?qū)捀弑炔灰恢?
系統(tǒng)魯棒性分析。系統(tǒng)采用單幀分類識(shí)別+多幀綜合分析的算法架構(gòu)。單幀分類識(shí)別會(huì)產(chǎn)生較高的誤檢,而跟蹤本身也會(huì)產(chǎn)生不可預(yù)知的偏離。因此在綜合分析模塊采取了如下的應(yīng)對(duì)策略:
1)基于權(quán)重的多幀綜合。每幀的探測(cè)會(huì)產(chǎn)生探測(cè)置信度,跟蹤會(huì)產(chǎn)生跟蹤置信度。從第一次探測(cè)到對(duì)象開始至對(duì)象確認(rèn)完成,共設(shè)置了8幀的幀間隔。期間約有2~3次探測(cè)置信度,5~6次跟蹤置信度,這些置信度配以權(quán)重線性合成最終置信度,并設(shè)定閾值進(jìn)行最終判別。置信度合成公式如下
(28)
其中:wi=0.5+0.5i/(n-1),離當(dāng)前幀越近,則置信度越重要;Conftrack,i為第i次的跟蹤置信度,Confdetect,i為第i次的探測(cè)置信度。
2)若對(duì)象已經(jīng)經(jīng)過多幀確認(rèn),則以跟蹤為主,但是會(huì)在固定幀數(shù)(8幀)后再次進(jìn)行探測(cè),以便確認(rèn)是否產(chǎn)生跟蹤漂移。
通過以上兩種綜合分析策略,系統(tǒng)確保其在正常條件下能準(zhǔn)確穩(wěn)定地識(shí)別和跟蹤行人,維持較高的魯棒性。
6小結(jié)
本文主要運(yùn)用了基于數(shù)據(jù)流的多線程并行處理方式加速算法,同時(shí)輔助于空間限制的滑動(dòng)窗口分布、快速線性SVM分類器,HIKSVM分類器等多種加速技術(shù),達(dá)到了實(shí)時(shí)處理的要求。并采用重定位技術(shù)解決了CENTRIST特征不能精確描述對(duì)象輪廓所造成的定位不準(zhǔn)問題。綜合實(shí)測(cè)結(jié)果,認(rèn)為在車載條件下的行人識(shí)別難度比流行的數(shù)據(jù)庫,如INRIA、ETH等更具有挑戰(zhàn)性。要想進(jìn)一步提高系統(tǒng)的識(shí)別精確性,可能需要綜合運(yùn)用其他多種措施:如基于光流的運(yùn)動(dòng)評(píng)估驗(yàn)證;基于步態(tài)周期性檢查的驗(yàn)證等算法。考慮到光流計(jì)算需要消耗較大的計(jì)算量,基于步態(tài)周期性的驗(yàn)證技術(shù)是今后主要的研究方向。
參考文獻(xiàn):
[1]OREN M, PAPAGEORGIOU C, SINHA P, et al. Pedestrian detection using wavelet templates[C]//Proc. the 1997 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Puerto Rico:[s.n.],1997:193-199.
[2]PHILOMIN V, GAVRILA D. Real-time object detection for “smart vehicles”[C]// IEEE International Conference on Computer Vision.[S.l.]:IEEE, 1999:87-93.
[3]DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]//IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2005:886-893.
[4]WU B, NEVATIA R. Detection of multiple, partially occluded humans in a single image by Bayesian combination of edgelet part detectors[C]// International Conference on Computer Vision. [S.l.]:IEEE,2005:90-97.
[5]LOWE D. Distinctive image features from scale-invariant keypoints [J]. International journal of computer vision (IJCV),2004,60(2):91-110.
[6]VIOLA P,JONES M. Robust real-time object detection[C]// IEEE ICCV Workshop on Statistical and Computational Theories of Vision. [S.l.]:IEEE,2001:1-25.
[7]YANG J, YU K, GONG Y, et al. Linear spatial pyramid matching using sparse coding for image classification[C]//IEEE Conference on Computer Vision and Pattern Recognition .[S.l.]:IEEE, 2009:1794-1801.
[8]WANG X Y,HAN T X,YAN S. An HOG-LBP Human Detector with Partial Occlusion Handling[C]//IEEE International Conference on Computer Vision (ICCV), 2009:32-39.
[9]Dollár P, Tu Z, Perona P and Belongie S. Integral Channel Features[C]// British Machine Vision Conference (BMVC) .[S.l.]:IEEE, 2009:1-11.
[10]NAMW,HANB,HANJH.Improvingobjectlocalizationusingmacro-featurelayoutselection[C]∥Proc.IEEEInternationalConferenceonComputerVisionWorkshops.[S.l.]:IEEE,2011:1801-1808.
[11]SHASHUAA,GDALYAHUY,HAYONG.Pedestriandetectionfordrivingassistancesystems:single-frameclassificationandsystemlevelperformance[C]//IEEEIntelligentVehicleSymposium(IVS) .[S.l.]:IEEE,2004:1-6.
[12]WUJX,LIUN,GEYERC,etal.C4:Areal-timeobjectdetectionframework[J].IEEEtrans.imageprocessing,2013, 22(10):4096-4107.
[13]BENENSONR,MATHIASM,TIMOFTER,etal.Gool;Faststixelsestimationforfastpedestriandetection[C]//EuropeanConferenceonComputerVision. [S.l.]:IEEE,2012:2-4.
[14]ZHANGC,VIOLAP.Multiple-instancepruningforlearningefficientcascadedetectors[C]//Proc.ConferenceonNeuralInformationProcessingSystems(NIPS) .[S.l.]:IEEE,2007:1681-1688.
[15]MAJIS,BERGA,MALIKJ.EfficientclassificationforadditivekernelSVMs,patternanalysisandmachineintelligence[J].IEEEtrans.patternanalysisandmachineintelligence(PAMI) , 2012(1):66-67.
[16]SEOYW,RAJKUMARR.Detectionandtrackingofthevanishingpointonahorizonforautomotiveapplications[C]//Proceedingsofthe6thIEEEIROSWorkshoponPlanning,PerceptionandNavigationforIntelligentVehicles(PPNIV) .[S.l.]:IEEE,2014:1-41.
[17]WUJX,REHGJM.CENTRIST:AvisualdescriptorforscenecategorizationCENTRIST[C]//IEEETrans.PatternAnalysisandMachineIntelligence,2011:1489-1501.
[19]ESS A, LEIBE B,GOOL L V. Depth and appearance for mobile scene analysis[C]//Proceedings of ICCV.[S.l.]:IEEE,2007:1-8.
責(zé)任編輯:閆雯雯
宏觀政策
互聯(lián)網(wǎng)電視接收設(shè)備技術(shù)規(guī)范制定工作啟動(dòng)
4月14日,強(qiáng)制性國家標(biāo)準(zhǔn)《互聯(lián)網(wǎng)電視接收設(shè)備技術(shù)規(guī)范》制定工作啟動(dòng)會(huì)在北京召開。會(huì)上,工信部聯(lián)合國家標(biāo)準(zhǔn)委、國家質(zhì)檢總局、國家新聞出版廣電總局、國家工商總局等相關(guān)部門以及產(chǎn)業(yè)界各單位成立了互聯(lián)網(wǎng)電視接收設(shè)備標(biāo)準(zhǔn)工作組,共同推進(jìn)完成標(biāo)準(zhǔn)制定。
據(jù)了解,《互聯(lián)網(wǎng)電視接收設(shè)備技術(shù)規(guī)范》將規(guī)定互聯(lián)網(wǎng)電視接收設(shè)備的技術(shù)要求和測(cè)試方法,適用于能夠通過互聯(lián)網(wǎng)接收廣播電視等視聽節(jié)目的互聯(lián)網(wǎng)電視接收設(shè)備的開發(fā)、測(cè)試和生產(chǎn),也適用于其他具備互聯(lián)網(wǎng)電視接收設(shè)備功能的音視頻產(chǎn)品,包括但不限于機(jī)頂盒、電視機(jī)、投影機(jī)、顯示器等產(chǎn)品形態(tài)。目前,該規(guī)范已經(jīng)形成標(biāo)準(zhǔn)草案,爭(zhēng)取在2016年年中完成標(biāo)準(zhǔn)審定。
國辦:2020年基本實(shí)現(xiàn)數(shù)字廣播
電視戶戶通
國務(wù)院辦公廳日前印發(fā)《關(guān)于加快推進(jìn)廣播電視村村通向戶戶通升級(jí)工作的通知》(以下簡稱《通知》),對(duì)在廣播電視村村通基礎(chǔ)上加快推進(jìn)廣播電視戶戶通作出全面部署,明確到2020年基本實(shí)現(xiàn)數(shù)字廣播電視戶戶通,形成覆蓋城鄉(xiāng)、便捷高效、功能完備、服務(wù)到戶的新型廣播電視覆蓋服務(wù)體系。
《通知》指出,廣播電視村村通工程實(shí)施以來,有效擴(kuò)大了農(nóng)村廣播電視覆蓋面,解決了廣大農(nóng)村群眾聽廣播難、看電視難的問題。隨著經(jīng)濟(jì)社會(huì)發(fā)展和科學(xué)技術(shù)水平的提高,迫切需要在廣播電視村村通基礎(chǔ)上進(jìn)一步提升水平、提質(zhì)增效,實(shí)現(xiàn)由粗放式覆蓋向精細(xì)化入戶服務(wù)升級(jí),由模擬信號(hào)覆蓋向數(shù)字化清晰接收升級(jí),由傳統(tǒng)視聽服務(wù)向多層次多方式多業(yè)態(tài)服務(wù)升級(jí),為滿足人民群眾廣播電視基本公共服務(wù)需求提供充分保障,為滿足個(gè)性化多樣性文化服務(wù)需求創(chuàng)造良好環(huán)境。
《專網(wǎng)及定向傳播視聽節(jié)目服務(wù)管理規(guī)定》發(fā)布
2016年5月4日,國家新聞出版廣電總局日前發(fā)布了《專網(wǎng)及定向傳播視聽節(jié)目服務(wù)管理規(guī)定》(6號(hào)令),將于2016年6月1日起施行。同時(shí),2004年7月6日發(fā)布的《互聯(lián)網(wǎng)等信息網(wǎng)絡(luò)傳播視聽節(jié)目管理辦法》(39號(hào)令)廢止。
6號(hào)令主要是針對(duì)IPTV、專網(wǎng)手機(jī)電視以及互聯(lián)網(wǎng)電視的監(jiān)管,而通過PC、手機(jī)、Pad等終端接收視頻網(wǎng)站通過互聯(lián)網(wǎng)及移動(dòng)互聯(lián)網(wǎng)提供的流媒體視聽服務(wù)仍然通過《互聯(lián)網(wǎng)視聽節(jié)目服務(wù)管理規(guī)定》(56號(hào)令)進(jìn)行監(jiān)管。6號(hào)令的出臺(tái),完善了“新媒體”的監(jiān)管體系,將對(duì)我國視聽媒體產(chǎn)業(yè)的發(fā)展走向產(chǎn)生重大而深遠(yuǎn)的影響。
廣電總局再發(fā)文規(guī)范電視劇廣告
國家新聞出版廣電總局辦公廳日前下發(fā)的《關(guān)于進(jìn)一步規(guī)范電視劇相關(guān)廣告播出管理的通知》(以下簡稱《通知》),對(duì)電視劇及相關(guān)廣告播出不規(guī)范的行為進(jìn)行再次的管理和規(guī)范,尤其對(duì)劇中、片頭尾不得插廣告又有新規(guī)定。
《通知》指出,播前審查,重播重審;明確標(biāo)明發(fā)證機(jī)關(guān)、發(fā)證許可號(hào)、電視劇制作許可證號(hào)展示不得少于3 s;不得以“完整版”、“非刪減版”、“被刪片段”等進(jìn)行炒作;電視劇中間不得插入任何廣告或者相關(guān)欄目,也不得出現(xiàn)任何節(jié)目、欄目的預(yù)告,不得擅自改變劇集長度,片頭片尾不得以任何形式插入廣告。
行業(yè)聚焦
廣電寬帶用戶突破兩千萬
4月28日,中國廣播電視網(wǎng)絡(luò)有限公司(簡稱國網(wǎng))公布了2016年第一季度中國有線電視行業(yè)發(fā)展公告。2016年第一季度,廣電寬帶用戶規(guī)模達(dá)到2 011萬戶,占有線電視用戶的比重進(jìn)一步提升至8%。
據(jù)格蘭研究調(diào)查顯示,我國寬帶市場(chǎng)上,有線寬帶的用戶占比從2014年的5.37%上升到2015年的7.95%;電信寬帶的用戶占比從2014年的94.63%下降到2015年的92.05%。 有線寬帶用戶數(shù)從2014年的1 138.8萬上升到2015年的1 838.9萬,用戶增量達(dá)到700.1萬;電信寬帶用戶數(shù)從2014年的20 048.3萬上升到2015年的21 300萬,用戶增量為1 267.1萬。
全球付費(fèi)電視發(fā)展情況發(fā)布
據(jù)Digital TVResearch《數(shù)字電視收入預(yù)測(cè)報(bào)告》預(yù)計(jì),2015—2021年全球主要市場(chǎng)的付費(fèi)電視收入(包括訂閱費(fèi)和按此付費(fèi)的影視劇)將增長9 900萬美元。
除北美之外,2015—2021年全球付費(fèi)電視收入將攀升136億美元(14%)增至1 078.2億美元,最高增長紀(jì)錄是增長200億美元(28%)。2015—2021年北美市場(chǎng)份額將從57.4%下降到54.2%,預(yù)計(jì)到2021年將繼續(xù)下降到47.6%。同期,亞太收入將增長80億美元,增幅25%。2014年亞太地區(qū)已經(jīng)超過西歐,預(yù)計(jì)到2019年將超過整個(gè)歐洲。
愛奇藝啟動(dòng)VR生態(tài)激勵(lì)計(jì)劃
將與國網(wǎng)合作
5月5日,愛奇藝正式發(fā)布iVR+虛擬現(xiàn)實(shí)產(chǎn)品套件,啟動(dòng)VR生態(tài)激勵(lì)計(jì)劃,率先在10個(gè)高熱IP上全面實(shí)現(xiàn)VR化,開放了100個(gè)頂級(jí)IP進(jìn)行游戲合作開發(fā),聯(lián)合300家合作伙伴打造VR真生態(tài)。其中,iVR+虛擬現(xiàn)實(shí)產(chǎn)品套件提供專為VR一體機(jī)量身定制的全景影院APP、全景游戲中心APP、愛奇藝APP的VR雙屏模式和全景專區(qū),實(shí)現(xiàn)了對(duì)于國內(nèi)VR手機(jī)架、一體機(jī)及PC頭顯等所有VR設(shè)備的全面支持。
同時(shí),愛奇藝還宣布與《財(cái)經(jīng)》雜志、《悅游》、大麥網(wǎng)、高爾夫賽事PGA TOUR美巡賽、全景圖片平臺(tái)720YUN等達(dá)成戰(zhàn)略合作,并與中國廣播電視網(wǎng)絡(luò)有限公司聯(lián)合打造全國有線網(wǎng)絡(luò)VR平臺(tái)和VR頻道,建立VR內(nèi)容傳輸網(wǎng)絡(luò)。
天威視訊攜手佳創(chuàng)視訊擬開通虛擬
現(xiàn)實(shí)頻道
佳創(chuàng)視訊公告稱,與天威視訊簽署了“虛擬現(xiàn)實(shí)產(chǎn)業(yè)化運(yùn)營合作協(xié)議”,將依托廣播電視網(wǎng)絡(luò)優(yōu)勢(shì),率先培育、構(gòu)建虛擬現(xiàn)實(shí)產(chǎn)業(yè)的大生態(tài)鏈。 公告稱,公司與天威視訊將整合各自優(yōu)勢(shì)資源,利用已實(shí)現(xiàn)深圳地區(qū)基本全覆蓋的數(shù)字電視網(wǎng)絡(luò),共同開展“虛擬現(xiàn)實(shí)+廣播電視”產(chǎn)業(yè)化運(yùn)營合作,在國家和地方政策允許的前提下積極推動(dòng)開通虛擬現(xiàn)實(shí)頻道,以實(shí)現(xiàn)高清VR視頻、全景視頻、裸眼3D等新媒體形式的虛擬現(xiàn)實(shí)內(nèi)容播出,為廣大數(shù)字電視用戶提供全新的虛擬現(xiàn)實(shí)體驗(yàn)。
森海塞爾助力Gopro虛擬現(xiàn)實(shí)開發(fā)
森海塞爾宣布加入GoPro新的開發(fā)計(jì)劃,將提供開發(fā)包幫助開發(fā)者將GoPro 與森海塞爾的設(shè)備配合使用,還提供一項(xiàng)綜合解決方案。
全新的森海威爾VR傳聲器AMBEO,有一個(gè)特殊的擋風(fēng)玻璃,可實(shí)現(xiàn)防水、防雪、防冰、防風(fēng)。 用戶傳聲器得到的是立體混響A格式,使用森海塞爾提供的軟件,可以將A格式的文件轉(zhuǎn)換為可以在任何播放器使用的B格式。虛擬現(xiàn)實(shí)的音頻文本是以B格式編輯出來的。這些新的工作流允許使用點(diǎn)聲源,也就是說使用森海塞爾無線視頻傳聲器,可以混合各種聲源,按照客戶具體要求設(shè)計(jì)出任何空間聲音效果。
廠商動(dòng)態(tài)
新奧特?cái)y手三亞廣播電視臺(tái)打造
全媒體新聞演播室
近日,主打節(jié)目《今日三亞》、《第一民生》的樣片在三亞電視臺(tái)與新奧特聯(lián)手共同打造的全新120 m2全媒體新聞演播室內(nèi)完成錄制,這是三亞臺(tái)在節(jié)目錄制上的一次創(chuàng)新與改革。
據(jù)悉,該全媒體新聞演播室集高清、大屏、連屏、點(diǎn)評(píng)、虛擬、全媒體互動(dòng)形式,坐播、站播等多種播報(bào)形式于一身,能夠?qū)崿F(xiàn)點(diǎn)評(píng)操作、三連屏置景,并且能夠?qū)⑷襟w演播室與虛擬演播室相結(jié)合。這次全新的創(chuàng)新與嘗試,不僅在內(nèi)容上融入了鮮亮的設(shè)計(jì)理念,增加了節(jié)目的觀賞性,而且在畫面上通過虛擬立體化的表現(xiàn)形式,提高了觀眾節(jié)目內(nèi)容上的理解力,使電視節(jié)目傳播功能得到進(jìn)一步升級(jí)和拓展。
2016中科大洋媒體融合技術(shù)研討會(huì)
閃耀開啟
中科大洋作為以技術(shù)變革和業(yè)務(wù)創(chuàng)新為企業(yè)靈魂的公司,在行業(yè)轉(zhuǎn)折的關(guān)鍵時(shí)期,從2016年5月開始,在全國各地舉辦以“融合媒體 智慧運(yùn)營”為主題的技術(shù)研討會(huì),將大洋在媒體融合方面的經(jīng)驗(yàn)與技術(shù)成果進(jìn)行分享。會(huì)議期間,各地方媒體將交流在融合新聞、智慧城市民生服務(wù)平臺(tái)、生活資訊電視互動(dòng)客戶端等媒體融合方面的成功經(jīng)驗(yàn),也將從地方媒體在融合進(jìn)程中遇到的問題出發(fā),圍繞如何在“兩微一端”的基礎(chǔ)上擴(kuò)展新媒體運(yùn)營模式、如何針對(duì)傳統(tǒng)媒體重組建設(shè)中央廚房、如何提升電視媒體內(nèi)容生產(chǎn)力、如何幫地方媒體解決目前面臨的高清改造等問題展開深入探討。
數(shù)碼視訊:中標(biāo)中移動(dòng)互聯(lián)網(wǎng)電視
機(jī)頂盒集中采購項(xiàng)目
近日,在2016年中國移動(dòng)互聯(lián)網(wǎng)電視機(jī)頂盒集中采購項(xiàng)目招標(biāo)活動(dòng)中,北京數(shù)碼視訊科技股份有限公司憑借著雄厚的實(shí)力、優(yōu)質(zhì)的產(chǎn)品及專業(yè)的服務(wù),最終成功從二十余家投標(biāo)廠商中脫穎而出,成為中標(biāo)廠商。
數(shù)碼視訊本次中標(biāo)的星空智能4K互聯(lián)網(wǎng)電視機(jī)頂盒屬于新一代智能終端產(chǎn)品,擁有更強(qiáng)大的硬件配置,搭配高端主流芯片方案,提供各類豐富視頻接口,同時(shí)支持1 080p/2K/4K高清解碼,支持杜比解碼。精巧、圓潤的外觀設(shè)計(jì)更具時(shí)尚元素,其優(yōu)異的性能指標(biāo)、領(lǐng)先的技術(shù)以及豐富的產(chǎn)品功能為家庭用戶帶來了極具視聽動(dòng)感的完美操作體驗(yàn),進(jìn)而可以更好地促進(jìn)中國移動(dòng)發(fā)展互聯(lián)網(wǎng)電視業(yè)務(wù)的發(fā)展。
東方盛行:2016年高清制作播出及
全媒體融合技術(shù)交流會(huì)隆重召開
4月26日,成都東方盛行電子有限責(zé)任公司2016年高清制作播出及全媒體融合技術(shù)交流會(huì)在昆明鼎易大酒店隆重召開。本次交流會(huì)重點(diǎn)介紹了極速融通全媒體協(xié)同工作平臺(tái)、高清制作網(wǎng)建設(shè)方案以及高標(biāo)清播出系統(tǒng)建設(shè)方案,并分享了對(duì)于全媒體實(shí)踐、演播室舞美制景、申請(qǐng)制播能力建設(shè)基金等經(jīng)驗(yàn)。會(huì)議云集了百余位電視臺(tái)專業(yè)人士及業(yè)內(nèi)同仁一道探討全媒體背景下的電視臺(tái)高清制作、播出等多方面熱點(diǎn)話題。
會(huì)議由東方盛行云南市場(chǎng)區(qū)域情況介紹拉開帷幕,首先對(duì)區(qū)域情況進(jìn)行分析,闡釋了公司根據(jù)地區(qū)特點(diǎn)而進(jìn)行的針對(duì)性部署,并對(duì)技術(shù)、市場(chǎng)和公司管理等方面做出詳解。隨后,公司重點(diǎn)推出極速融通全媒體協(xié)同工作平臺(tái),從系統(tǒng)特色、總體架構(gòu)、業(yè)務(wù)系統(tǒng)、全媒體實(shí)踐四大方面提出“以互聯(lián)網(wǎng)思維為導(dǎo)向;保證安全的前提下,以‘鏈接’方式實(shí)現(xiàn)節(jié)目在電視臺(tái)生產(chǎn)系統(tǒng)之間,及其與外網(wǎng)和互聯(lián)網(wǎng)之間的互聯(lián)互通;減少節(jié)目實(shí)體文件在不同系統(tǒng)的流轉(zhuǎn)次數(shù)和時(shí)間”的整體設(shè)計(jì)思路。關(guān)于目前備受矚目的全媒體應(yīng)用,東方盛行在線索、選題、節(jié)目交換、個(gè)人網(wǎng)盤、現(xiàn)場(chǎng)新聞5方面做出重大突破,有助于電視臺(tái)用戶更便捷地開發(fā)全媒體業(yè)務(wù)。
R&S:精彩亮相 EDI CON 2016
4月19日,EDI CON 2016與中國電磁兼容大會(huì)/展覽和中國雷達(dá)行業(yè)協(xié)會(huì)會(huì)議聯(lián)合舉行。羅德與施瓦茨(R&S)公司連續(xù)四年以鉆石身份登場(chǎng),展會(huì)第一天R&S推出兩款最新的產(chǎn)品。一款新產(chǎn)品是為認(rèn)證測(cè)試提供快速可靠測(cè)試方案的新款EMI測(cè)試接收機(jī)R&S ESW;另一款是在高達(dá)40 GHz頻率范圍內(nèi)提供2 GHz內(nèi)部調(diào)制帶寬的矢量信號(hào)發(fā)生器R&S SMW200A。與會(huì)三十余家媒體共同見證了羅德與施瓦茨這一里程碑性質(zhì)的歷史時(shí)刻。 在EDI CON 2016連續(xù)3天的技術(shù)報(bào)告會(huì)上,羅德與施瓦茨公司來自德國本部和中國本土的共12名技術(shù)專家18場(chǎng)技術(shù)報(bào)告,涉及電磁兼容、5G、雷達(dá)、汽車、IOT等領(lǐng)域,得到了參會(huì)嘉賓和領(lǐng)導(dǎo)的積極響應(yīng)與熱烈討論。
NAGRA:持續(xù)為廣電安全保駕護(hù)航
數(shù)字電視業(yè)務(wù)和世界領(lǐng)先的內(nèi)容保護(hù)系統(tǒng)及多屏電視解決方案提供商N(yùn)AGRA在CCBN2016期間展出多個(gè)產(chǎn)品,包括OpenTV5中間件以及anCAST系列產(chǎn)品。在內(nèi)容保護(hù)越來越受重視的大環(huán)境下,NAGRA也在不斷改進(jìn)其產(chǎn)品,升級(jí)其性能,除了致力于保護(hù)DVB系統(tǒng)之外,也提供了DVB+OTT系統(tǒng)和互聯(lián)網(wǎng)視頻提供商的解決方案。
隨著國家對(duì)內(nèi)容管控的加強(qiáng)和人們對(duì)版權(quán)意識(shí)的加深,內(nèi)容安全已經(jīng)延伸到電視屏以外的其他的小屏。NAGRA多年深耕于CA系統(tǒng),是內(nèi)容安全方面的專家,從有卡CA、無卡CA、DRM系統(tǒng)等具體產(chǎn)品,到現(xiàn)在的整體解決方案,一直在不斷升級(jí)。據(jù)介紹,在OTT環(huán)境下,NAGRA更多地向互聯(lián)網(wǎng)化發(fā)展,采用敏捷的開發(fā)方式,縮短了產(chǎn)品迭代的周期,不斷滿足客戶需求,使產(chǎn)品更加適合市場(chǎng)新的變化。
在中國的廣電市場(chǎng)中,NAGRA與歌華有線、廣東有線、山東有線等均有深入的合作,伴隨著國內(nèi)廣電機(jī)頂盒不斷的升級(jí),NAGRA的產(chǎn)品也落入千家萬戶。對(duì)于內(nèi)容的安全保護(hù),NAGRA不僅致力于提供硬件,而且提供售后服務(wù)以及發(fā)現(xiàn)新風(fēng)險(xiǎn)防護(hù)等,多方位滿足客戶需求,力求客戶放心使用。
杜比宣布三星承諾推出支持杜比
AC-4的電視機(jī)
4月15日,AC-4標(biāo)準(zhǔn)的開發(fā)者杜比實(shí)驗(yàn)室宣布與三星電子有限公司合作,在精選電視機(jī)型中采用杜比?AC-4(Dolby?AC-4),預(yù)計(jì)于2017年開始出貨。
據(jù)了解,杜比AC-4是杜比音效(Dolby AudioTM)技術(shù)系列中功能強(qiáng)大的全新音頻格式,基于數(shù)十年的廣電音頻技術(shù)經(jīng)驗(yàn),能夠解決廣播商當(dāng)前所面臨的挑戰(zhàn),例如更高效地提供高品質(zhì)體驗(yàn)、不同語言版本之間的轉(zhuǎn)換以及為有聽覺障礙和視覺障礙受眾提供服務(wù),同時(shí)為廣電和互聯(lián)網(wǎng)OTT服務(wù)的全新體驗(yàn)提供平臺(tái)。
會(huì)展時(shí)空
第二屆平板顯示技術(shù)發(fā)展趨勢(shì)論壇
暨HDR技術(shù)峰會(huì)在京召開
4月21日,由北京泰瑞特檢測(cè)技術(shù)服務(wù)有限責(zé)任公司主辦,國家廣播電視產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)中心、北京泰瑞特認(rèn)證中心、中國電子學(xué)會(huì)消費(fèi)電子分會(huì)等承辦的“第二屆平板顯示技術(shù)發(fā)展趨勢(shì)論壇暨HDR技術(shù)峰會(huì)”在京召開。會(huì)議以“探尋清透視界,共鑒畫質(zhì)奇跡”為主題,匯聚了電視行業(yè)內(nèi)行業(yè)協(xié)會(huì)、技術(shù)代表、整機(jī)廠商等多方代表,一同深入探討了HDR技術(shù)的發(fā)展現(xiàn)狀和趨勢(shì)。
會(huì)議上,泰瑞特認(rèn)證向性能卓越的產(chǎn)品頒發(fā)了HDR plus認(rèn)證證書,這次HDR產(chǎn)品檢測(cè)由國家廣播電視產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)中心完成,它也是國內(nèi)唯一的國家數(shù)字電視產(chǎn)品用戶端實(shí)驗(yàn)室。整體測(cè)試方法分為兩類產(chǎn)品兩個(gè)層級(jí),其中針對(duì)高端產(chǎn)品的HDR plus的測(cè)試方法,參照了美國高清聯(lián)盟HDR技術(shù)標(biāo)準(zhǔn),這也是目前國際公認(rèn)的頂級(jí)權(quán)威標(biāo)準(zhǔn)。同時(shí),泰瑞特認(rèn)證首推高端的HDR plus認(rèn)證標(biāo)識(shí),并發(fā)布首批符合該標(biāo)準(zhǔn)的產(chǎn)品名單,三星、TCL、創(chuàng)維的HDR電視在列。此舉目的在于引導(dǎo)行業(yè)發(fā)展焦點(diǎn)由“HDR好”到“好HDR”,即更加關(guān)注卓越的產(chǎn)品和消費(fèi)體驗(yàn)升級(jí)。
“開放物聯(lián)”技術(shù)與標(biāo)準(zhǔn)研討會(huì)在京召開
4月26日,由物聯(lián)網(wǎng)產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟牽頭,會(huì)同W3C聯(lián)盟中國區(qū)總部、國家物聯(lián)網(wǎng)基礎(chǔ)標(biāo)準(zhǔn)工作組共同在京組織召開了“開放物聯(lián)”技術(shù)與標(biāo)準(zhǔn)研討會(huì),來自國家物聯(lián)網(wǎng)基礎(chǔ)標(biāo)準(zhǔn)工作組、中國電子科技集團(tuán)公司信息科學(xué)研究院、中國移動(dòng)、中國聯(lián)通、中國電信、Intel、中關(guān)村產(chǎn)業(yè)聯(lián)盟、中國電科三所、同濟(jì)大學(xué)、閃聯(lián)、新大陸、京東方、W3C、360、百度、阿里巴巴、華為等單位的代表參加了會(huì)議。同時(shí),物聯(lián)網(wǎng)產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟秘書長朱德成、副秘書長溫娜、副秘書長馬進(jìn)、聯(lián)盟城建專委會(huì)主任蔡鴻巖出席了會(huì)議。
會(huì)議緊密圍繞“開放物聯(lián)”主題,物聯(lián)網(wǎng)產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟、W3C聯(lián)盟、中國電科信息科學(xué)研究院、國家物聯(lián)網(wǎng)基礎(chǔ)標(biāo)準(zhǔn)工作組專家代表分別作了主題演講,針對(duì)國家標(biāo)準(zhǔn)制定思路、標(biāo)準(zhǔn)體系框架、W3C相關(guān)情況及標(biāo)準(zhǔn)制定情況以及國標(biāo)技術(shù)推廣情況進(jìn)行了研討,同時(shí)聯(lián)盟城建專委會(huì)做了工作進(jìn)展報(bào)告。
三部門聯(lián)合召開“信息技術(shù)和健康
養(yǎng)老融合發(fā)展論壇”
4月9日,工業(yè)和信息化部電子信息司聯(lián)合國家衛(wèi)生和計(jì)劃生育委員會(huì)家庭發(fā)展司、民政部社會(huì)福利中心在深圳市會(huì)展中心組織召開“信息技術(shù)和健康養(yǎng)老融合發(fā)展論壇”。
出席本次論壇的有工業(yè)和信息化部電子信息司副司長喬躍山、民政部社會(huì)福利中心書記甄炳亮、衛(wèi)生計(jì)生委家庭發(fā)展司家庭發(fā)展指導(dǎo)處處長蔡菲,以及來自中國電科三所、中興、平安、優(yōu)加利等數(shù)十家企事業(yè)單位近150位代表和專家學(xué)者。
論壇上,來自21家的企業(yè)代表及專家學(xué)者分別從智能穿戴發(fā)展趨勢(shì)、傳感器技術(shù)的創(chuàng)新、健康監(jiān)護(hù)設(shè)備系統(tǒng)的發(fā)展、服務(wù)模式的探索、傳統(tǒng)行業(yè)在健康養(yǎng)老領(lǐng)域的探索和轉(zhuǎn)型升級(jí)、養(yǎng)老體系的搭建等方面進(jìn)行了精彩的主題發(fā)言,并發(fā)布了《智慧健康養(yǎng)老產(chǎn)業(yè)發(fā)展白皮書》。論壇為行業(yè)專業(yè)人士搭建了一個(gè)良好的交流平臺(tái),對(duì)促進(jìn)信息技術(shù)和健康養(yǎng)老融合發(fā)展起到了積極的作用。
Precise positioning multithreading predestrian detection system based on data stream
ZHU Feng
(ShangHaiTechnicalCollegeofUrbanManagement,Shanghai200433,China)
Abstract:Pedestrian collision warning system(PCWS)is one of important functions of on-board active safety system. The main restriction in the process of commercial applications is large amount of calculation. This reduces the processing frame rate.This paper research the key algorithms of the PCWS, such as space limit distribution of sliding windows based on estimation of vanish point, multithreaded processing based on data stream, rapid linear SVM classifier based on CENTRIST feature, histogram intersection kernel SVM(HIKSVM). Comprehensive the above techniques, has reached the requirement of real-time processing. CENTRIST feature cannot accurate descript the object contour, this lead to the detected positions are not accurate. This problem is solved by applying maximum suppression based on Gaussian weight distribution and fine-tuning bounding box based on differences between inside and outside of outer contour. Through the above methods, meet the requirements of lead to ranging accuracy.
Key words:pedestrian detection; multi-threshold process; vanish point estimation; HIK SVM; CENTRIST; relocation
中圖分類號(hào):TP391
文獻(xiàn)標(biāo)志碼:A
DOI:10.16280/j.videoe.2016.05.026
作者簡介:
朱峰(1979— ),女,碩士, 講師,從事圖像處理、模式識(shí)別、機(jī)器視覺、3D建模仿真方面的研究。
收稿日期:2015-06-15
文獻(xiàn)引用格式:朱峰. 基于數(shù)據(jù)流和精確定位的多線程行人探測(cè)系統(tǒng)[J].電視技術(shù),2016,40(5):121-128.
ZHU F. Precise positioning multithreading predestrian detection system based on data stream[J].Video engineering,2016,40(5):121-128.